0
| 本文作者： 宗仁 | 2017-11-06 17:06 |
雷鋒網按：今天，在首屆“JDD-2017京東金融全球數(shù)據(jù)探索者大會”上午壓軸，京東集團副總裁、AI平臺及研究部負責人周伯文和哥倫比亞大學客座教授，Graphen CEO林清詠、中科視托董事長山世光、微軟亞洲研究院城市計算領域負責人鄭宇、IBM中國研究院研究總監(jiān)蘇中、360人工智能研究院院長顏水成進行了《探尋數(shù)據(jù)產業(yè)與AI發(fā)展之道》的精彩圓桌論壇，雷鋒網編輯如下。
（雷鋒網注：從左至右依次是周伯文、林清詠、山世光、鄭宇、蘇中、顏水成）
周伯文：首先，我們想來一個比較open的開放討論，大家知道人工智能在今年非常熱，也有來自與理論上，技術上最前沿的發(fā)展，像深度學習和大數(shù)據(jù)的資源以史無前例的速度進入了很多的行業(yè)。我想在座的都是研究人工智能的學術界和企業(yè)界的杰出人士。所以我想回到學術和技術本身，討論一下從你們的角度來看
我們目前的人工智能的現(xiàn)狀和不足是什么？
第二點是接下來的五到十年在技術上最優(yōu)可能的突破在什么地方？
第三點是把問題回到金融行業(yè)來，有這些預期的發(fā)展和突破，在未來五到十年包括現(xiàn)在的現(xiàn)狀，金融方面我們人工智能巨大的機會是什么？
這三個問題可以在您的發(fā)言中選擇性的回答也可以回答所有的。從我右邊的年輕的教授開始，他也是我以前的老同事。
林清詠：謝謝伯文，我在哥倫比亞大學已經教了13年書了，我后來開始聚焦金融方面，過去兩年前一直和全球的大佬們討論AI和金融的關系，去年十月份的我去歐洲的一家銀行，然后又給美國中央銀行的年會，談AI在金融方面的應用。IBM和全世界各大銀行的CEO和總裁都去討論什么是他們最痛的地方，常常討論完了以后回來丟給我們的團隊做，所以過去兩年間累積了很多的經驗。實際上在美國，或者是說全世界，大家都在將AI與金融結合。尤其是在華爾街的話，其實各個公司彼此都在競爭。軍備競賽就是在AI方面的競賽。所以其實這就是現(xiàn)在的趨勢，等一下我們可以再聊怎么做。我們在銀行實踐，一個禮拜到兩個禮拜就可以取代以前人做的事情，接下來兩個月時間把AI帶進去以后可以做到他們以前沒有辦法想象，沒有辦法做到的東西，所以說在這個領域非常的活躍，所以我們決定自己出來，把這個機會擴張，也盡量的回到國內跟大家一起互動，跟國內的銀行界和金融界有更多的關聯(lián)。
周伯文：謝謝林清詠教授，下面山世光研究員有什么看法？
山世光：非常高興今天有機會跟各位討論一下關于AI在金融領域的應用，剛才周總的問題，我想我重點的談一下自己對于AI這個領域的現(xiàn)狀以及存在的問題。因為我自己背景是做圖像識別領域的，有大概20年的時間，可能最激動人心的時間真的是發(fā)生在了過去的兩三年時間里。在這兩三年時間里，得益于深度學習和我們能夠擁有的大數(shù)據(jù)量，以及大規(guī)模的高性能計算的獲得，使得我們在技術上有了非常大的進步。具體來說，一個簡單的例子是我們在金融風控里面非常大量的采用人臉識別的技術，人臉識別技術在過去的三四年時間里，可以說在某些特定的場景下，它的準確率，或者是說我們反過來來講它的錯誤率，其實有了我認為兩到三個數(shù)量級的下降。也就是說我們過去可能會存在，像四年前五年前的時候我們的錯誤率會在1%這個量級。那么現(xiàn)在很多的運營商都是萬分之一，甚至十萬分之一這樣的錯誤率的量級，可見，深度學習，大數(shù)據(jù)和高性能的計算給我們帶來了一個巨大的進步。當然，這是一個例子，這是正面的例子。反過來講的話，以目前這樣一個大數(shù)據(jù)加上深度學習這樣一個技術的組合使得我們有這樣一個大進步，很多其他的領域還沒有像我們想象的，或者是說公眾所期待的，所盼望的大進步，特別是在一些數(shù)據(jù)量不是那么容易獲得的場景下，AI的技術是比較小的，我們對比人做AI的智慧和智能的時候，我們很多時候不需要人做大量的數(shù)據(jù)，也可以非常快速的獲得以圖象識別為例去做固體的識別，一個簡單的例子，小孩兒扔蘋果，從來不會有哪一個家長給小孩兒一千個蘋果扔，可能幾個例子就好了。從這里來說的話，我們AI從方法論的角度來講的話，我們還需要大量的利用，也許是利用我們數(shù)千年來積累下來的知識，再配合某種意義的小數(shù)據(jù)，知識加上小數(shù)據(jù)和推理等方法才有可能會有更大的進步。尤其是涉及到因果推理，即便是數(shù)據(jù)量非常大，從一個結果推導出什么原因產生這樣一個結果，應該說現(xiàn)在的這種因果推理方面沒有非常大的進步。我想我們可以一會兒做更多的討論，我先介紹這些，謝謝。
周伯文：是的，小樣本學習和機器學習人工智能可檢示性是接下來的熱點和難題，我們看到了很好的進程，下面請你分享一下你的想法。
鄭宇：我叫鄭宇，來自于微軟研究院，負責城市計算各領域的研發(fā)工作，通俗來講微軟做城市相關的技術，由我們組來負責，用大數(shù)據(jù)解決城市里面的交通、環(huán)境、規(guī)劃、商業(yè)問題，最主要的例子是全世界三百多個城市的空氣質量的分析和預測是我們組來完成的。我分享三個觀點。第一個是AI的機會其實不在傳統(tǒng)的IT行業(yè)，而是在和傳統(tǒng)行業(yè)的結合，也就是說我們把AI和什么加在一起，加上交通、規(guī)劃、金融等爆發(fā)的力量比傳統(tǒng)互聯(lián)網行業(yè)里面發(fā)揮的作用會更加的龐大，所以第一個觀點，AI在傳統(tǒng)行業(yè)里面加什么，擁抱傳統(tǒng)行業(yè)和傳統(tǒng)行業(yè)的知識結合。第二點是如果AI和金融結合的話，我們一定從一手高價值數(shù)據(jù)里面發(fā)現(xiàn)商業(yè)機會，很多年前大家做這個人工智能和大數(shù)據(jù)應用金融行業(yè)都會分析股票和期貨，可是股票和期貨的數(shù)據(jù)已經是三手數(shù)據(jù)，是別人經過多年沉淀以后的結果，真正的一手數(shù)據(jù)是我們現(xiàn)實生活中的周邊也好，手機信號也好，記錄也好，如何把一手信息進行有效的融合，這是在商業(yè)里面通過的一個制高點，而這里面需要大數(shù)據(jù)的融合技術，其實這個技術比較欠缺。第三點，真正AI遇到的瓶頸在哪里，我們覺得技術本身不是大問題，我們這幫科學家，未來這么多人傳承接待總會做出來，但是人才的培養(yǎng)是一大困難。現(xiàn)在數(shù)據(jù)分析師不太難找，什么是數(shù)據(jù)分析師呢，他會用一些工具，你給他明確的數(shù)據(jù)和問題，他給你算一些結果出來，告訴你這個報表。但是真正的數(shù)據(jù)科學家能夠把傳統(tǒng)問題和人工智能算法對接，最后落地形成閉環(huán)的人其實非常少。我們做了很多年，感覺培養(yǎng)這樣的學生非常困難，這種學生不是讀五年書就會學會的，還需要各種實戰(zhàn)和個人的感悟。根據(jù)我個人經驗判斷，培養(yǎng)這樣一個真正意義的數(shù)據(jù)科學家可能需要七到十年，未來可以想想怎么樣在人才培養(yǎng)的機制上做突破，如果沒有這么多人才，說得再多，最后也很難真正落地，所以我就是這三個觀點。
周伯文：非常好，您的主要觀點又懂AI，又懂具體業(yè)務場景的交叉結合是一個有很大需求的領域。所以跟在座的年輕的職業(yè)選擇提供很好的建議。
鄭宇：鼓勵大家成為數(shù)據(jù)科學家。
周伯文：當AI技術越來越強的時候對AI場景的定制化依賴是不是會減少，這個門檻隨著AI技術的提高對應用場景的降低，這個你怎么看。
鄭宇：這是一個非常好的觀點，為什么難就難在這里，我們懂數(shù)據(jù)科學的人對行業(yè)未必了解，對行業(yè)了解的時候，切入到另外一個場景又有很多新問題，需要快速的學習能力和提煉的能力，和需要已有的金融行業(yè)里面別人做的，做了什么工作，為什么好，為什么不好，如果東西只是比別人的結果好，別人不見得買你的賬，知道別的結果和方法以后，用別人的語言去和別人溝通，這個東西是相互促進的過程，我們要擁抱傳統(tǒng)行業(yè)，傳統(tǒng)行業(yè)也要接近我們的科學，最后達到一個契合點。我們對我們自己的要求一定要提高，再提高。雖然我們是做研究的，但是要努力跨出去和企業(yè)合作，去擁抱傳統(tǒng)行業(yè)，AI不是去替換任何一個傳統(tǒng)行業(yè)，一定要擁抱一個傳統(tǒng)行業(yè)，AI可以幫助我們降低對傳統(tǒng)行業(yè)的知識和門檻，但是不代表說你不需要傳統(tǒng)行業(yè)的金融知識。所以這是雙方的一個結合。
周伯文：謝謝。下面我們有請?zhí)K中講講您的想法。
蘇中：很高興見到伯文和林清詠，都是我以前的同事，今天的話題是AI，周伯文給了三個話題，一個是AI的現(xiàn)狀，剛剛講得特別好，AI在這一輪里迎來了很好的機會，我們在大數(shù)據(jù)的基礎說有了很多的在數(shù)據(jù)上的訓練的算法，在圖像和語音和自然語言方面有很大的突破，我們從這個角度來講，是在吸收大數(shù)據(jù)的紅利，因為現(xiàn)在的計算的資源，尤其是存儲和網絡成本越來越低，我相信這個上面仍然有很大的空間要去提高。第二點就是說現(xiàn)在來看大數(shù)據(jù)，或者是說AI上面的挑戰(zhàn)，我想剛剛雖然高老師說自然語言的理解或者是說人機交互已經是AI做得很好的一個方向了，我相信這個方向仍然有很大的余地或者是很遠的路要走，原因是說在很多的時候，我們希望這個機器有智能的。現(xiàn)在大數(shù)據(jù)的智能，就像剛剛我們舉的例子，給他一百萬個蘋果，讓他識別，給他很多的東西。但是最終的結果是說它需要和人做自由的交互。那么語言，包括人的語言和書面的和各種各樣的交流，其實是非常非常復雜的。這個里面，如果我們做得更好，我相信這是可能真正的一種強硬它的方式，就是說這個機器可以更好的理解人，可以跟人交互，從人的交互中，不光可以帶來價值，同時也給我們心理上各方面帶來很多的好處。我想這個方面應該有很長的路要走。最后從技術角度來講的話，因為我也是做自然語言理解的，我覺得在這個方向上，我們其實有很多的機會可走，一個很重要的點是如何把結構化的知識和非結構化的內容能夠結合起來，比如說我們看法律行業(yè)的工作，機器人算法能夠更好的讀懂論文和合同，以及法律文檔。事實上你會發(fā)現(xiàn)行業(yè)里面已經定義了很好的數(shù)據(jù)描述，我們能夠看到很好的數(shù)據(jù)之間參考，我們如何把現(xiàn)實中海量數(shù)據(jù)，以及包括人在上面的行為數(shù)據(jù)和知識體系能夠結合起來，讓互相之間能夠促進，讓結構化和非結構化的知識能夠進行一個很好的結合。
周伯文：非常好，您提到一個觀點我非常贊同，可能也是我本人的研究背景決定的，您提到自然語言的理解對人工智能的交互很重要，因為我也是這么理解的，我們人類作為一個物種，人類的智慧和人類語言的能力基本上同步進化的。我想人工智能要發(fā)展到一個更好的階段，對人類語言的深刻理解是一個不可逾越的門檻，也是下一個很有希望突破的領域。謝謝。我們下面有請顏總發(fā)表您的看法。
顏水成：好的，謝謝周伯文，我叫顏水成，其實我原來在學術界做了七八年，一個偶然的機會去國內的一家電子的商務平臺公司幫助他們孵化了一個產品，就是你拍照，然后可以到平臺上搜索你的衣服。這個公司很有意思，做這個產品的時候，有一個非常龐大的團隊，很快做出來了。后來意識到在學校里面做AI的話，在工業(yè)界里面有它非常強的，非常好的產品，恰好360有一個機會，希望組建人工智能的一個研究院，后來加入了奇虎360，后來就正式變成了工業(yè)界的人士。對于人工智能的話，在過去這些年的發(fā)展，AI太大了，我覺得可能縮小一點來說——深度學習。深度學習在很多的公司來說是它當前的主要的驅動力，那么從這個深度學習的事情來說的話，我覺得當前的一種形式是說如果是在單模態(tài)的一個垂直場景的話，我覺得通過與工程師一起合力的話，落地和成功變得越來越清晰，如果我們跨過這個數(shù)據(jù)，要想在一個更通用的場景，現(xiàn)在的屏障是非常大的。
在將來的五到十年里，我覺得從深度學習的角度來說，在理論層面的話，就像今天高院士提到了一個行為主義，就是說我們可能需要像深度學習里面的，其實還是深度學習，但是把行為主義的思想用進來的話，這個模型的結構應該是在你的學習過程中是動態(tài)的更新，最后的話，會根據(jù)你的應用需要而智能的訓練出它的形態(tài)，也就是說深度學習會從傳統(tǒng)的特征學習和分類器學習，變成結構學習和特征學習，分類器學習合在一起來做，這是一方面，另外一個方面可能會有更好的優(yōu)化的算法會迭出，讓我們學術界或者是工業(yè)界可以在更短的時間內獲得你希望得到的結果。我最近有一些反思，應用層面在技術角度來說是圖像、語音、語意和大數(shù)據(jù)，大數(shù)據(jù)區(qū)分前面幾個場景的特點是我們認為數(shù)據(jù)是表現(xiàn)出幾個向量，有幾句話的信息，不像語意和語音，我認為未來幾年語義領域和語音的領域會越來越成熟，原因是幾個方面，一個方面是市場上圖像人才的量比較充分的，而且高校里面只看教授的話，有非常多的圖像的團隊，但是另外一個方面的話，其實還有兩點，大家思考的不是特別多的，一個是說其實圖像和大數(shù)據(jù)有一點不一樣的地方是，當然都在用一些共性的數(shù)據(jù)，其實大家的數(shù)據(jù)差不多一樣，沒有自己獨特的數(shù)據(jù)。這樣的話比如說國家層面說要建立一個龐大的圖像的庫，即我要建立起一個龐大的語音庫，這個庫可以支持所有的圖像和語音的公司。這是一個方面，從這個層面來說的話，可能經過一段時間之后，在圖像和語音領域的話，這些公司就比較難以建立這個數(shù)據(jù)的壁壘，沒有私有數(shù)據(jù)，其實大家都是一些共性或者是少量的個性化的數(shù)據(jù)。
另外一個方面是說其實圖像和語音的應用也有它的特點就是---它沒有應用的差異性，什么意思？你做一個模型之后的話，如果這個公司像沙老師的公司做得特別好，可能會支持中國的半壁江山都是可以的，沒有問題。就是說從這個角度來說，圖像和語音的話，可能在五到十年之后，會變得無論是人才還是應用級的話，會越來越成熟，甚至是在手機上變成平臺級的廠商就可以做了，比如說蘋果會把它自己的圖像和自己的能力嵌入到他的手機里面，比如說像中國的華為和小米也很可能自己會有這種能力在里面。那么，大數(shù)據(jù)領域會是在后面的五到十年可以越來越hot，可以越來越吸引人才。也可以從兩個維度來分析，一個方面是說大數(shù)據(jù)的方向的話，其實有它天然的數(shù)據(jù)壁壘，金融積累了很多的數(shù)據(jù)， 360也有一些私有數(shù)據(jù)是大數(shù)據(jù)方面的，不會分享給私有公司，這樣的話沒有辦法建立起數(shù)據(jù)集，每家公司有獨特的大數(shù)據(jù)，比較容易建立起大數(shù)據(jù)的壁壘。另外同樣擁有私有數(shù)據(jù)，像用戶行為的數(shù)據(jù)，就比較容易產生一種效果，就是說公司會有這個應用的差異性，如同樣是做金融，京東的用戶行為數(shù)據(jù)是不一樣的，你需要有你的人來做這件事，你的模型拿到另外一家公司不是馬上就可以用的。這個層面來說人工智能經過五到十年的發(fā)展之后的話，圖像和語音領域會越來越成熟，人才也會越來越完備。但是具體的大數(shù)據(jù)的領域的話，對于人才的需求和行業(yè)的發(fā)展?jié)摿Γ矣X得會越來越大。會涌現(xiàn)越來越多的公司。我就分享這些。
周伯文：謝謝大家，大家都是行業(yè)內的專家，所以對于這個話題我知道你們都非常的有感觸，如果我不限制時間你們可以一直講下去，我覺得聽得很過癮，但是還覺得不夠過癮，為什么？因為你們還沒有講到具體的跟金融結合方面的想法。所以我來推動一下。
我們都知道金融行業(yè)里面風險控制可以說是一個永恒的話題。可以講整個金融是風險控制的一個主題。從人工智能，大數(shù)據(jù)的角度來講，過去的幾年中，包括我們京東金融在內做了很多的非常好的，關于這個貸前風險預估的模型的工作，用大數(shù)據(jù)和人工智能可以不用跟人見面就能很好的評估這些風險。今天換一個方向，我們貸后的風險，用人工智能和大數(shù)據(jù)能夠做一些什么樣的工作。比如說我們貸款貸出去給某一個客戶了，我們發(fā)現(xiàn)他失聯(lián)了，找不到了。這種情況下目前人工智能和大數(shù)據(jù)能給我們帶來什么樣的啟發(fā)和思路，也請大家對這個具體問題發(fā)表一下意見。有沒有哪一位嘉賓自告奮勇，可以從林教授開始，我知道你在這個方面研究很多。
林清詠：金融界里面的貸款問題，尤其是貸后，這是一個蠻大的事情，去年單單是第一季度的工商銀行的不良貸款，就達到了2000億個人民幣，這是一個季度很大的虧損，雖然是全世界第一大行，但是也沒有辦法經得起這樣的虧損，所以貸后的問題，如何去預測一個企業(yè)會不會出狀況，這是全世界銀行都關心的問題，因為銀行之所以賺錢就是因為貸款，他們要賭，要知道風險，這是一個相當嚴重的問題。那么，我們去年實際上就是我的團隊從紐約到北京和上海，針對國內的數(shù)據(jù)來做這樣的預測。基本上我們就發(fā)現(xiàn)以我們AI的能力，或者是說以前我的團隊是美國政府資助我們幾個億的資金建立一個像腦這樣的系統(tǒng)，包括不僅是深度學習，還有理解和剛剛托馬斯·桑德霍姆講的訓練能力等。我們根據(jù)這樣的整個全部腦的功能的系統(tǒng)，把它帶過來，帶過來的話基本上可以把這個貸后的不良貸款預測，可以把原來不到20%的準確率提升到大概接近60%。我們可以看到AI還有很多的問題是金融界關心的。比如說證券業(yè)，還有國家最關心的洗錢問題，因為洗錢關注到國家安全，以及他們知道怎么樣躲監(jiān)管等等。另外就是說在大概兩年前，像摩根、大通銀行最關心的問題是交易員操作的問題，你怎么樣去測，怎么樣去抓里面交易員在想辦法放假消息或者是想辦法操作別人，希望在操作市場中牟利。然后我的團隊兩年前就幫助IBM開發(fā)了這個金融方面的AI產品，想辦法監(jiān)測交易員如何監(jiān)測市場，看他們做什么行為。實際上這也是一個大數(shù)據(jù)的問題，這個大數(shù)據(jù)就是說如何在這么多的行為里面從他們的交易行為和通訊，因為交易員本身就有一些網絡之間的消息，可以看到他們散步消息講一些什么，你可以大概知道這些事。所以實際上有相當大的空間在做。
我也知道鼓勵，就是說事實上在金融界有兩類人，有一類人是你跟銀行方面的問題，另外是跟證券和股票市場方面的問題。事實上，我們發(fā)現(xiàn)說第二類的問題的話，其實進度障礙比較小，因為我以前在研究的時候，跟各行各業(yè)的做AI，跟各行各業(yè)做AI的最大痛苦是他們愿意不愿意把銀行（方面的資料）給你，愿意不愿意討論他們的難點。所以，那個過程上都要花好幾年的時間，并不一定能夠得到雙方都愿意這樣做。但是如果去做，把AI應用在這個股票市場的話，實際上因為大家的競爭也是公平的，所以其實這個進度障礙稍微少一點，不用去依賴已經成熟的大企業(yè)，其實這是一個蠻好的方向。其實就是說，有一點我想鼓勵大家的是基本上我們討論AI的話，有一點我觀察到了，是不是有開創(chuàng)性的東西，大家有嘗試去做，我看到很多大家去做AI就是跟著后面走。就是說他有什么東西，你就拿來用，然后有多少人是耐著性子想辦法把AI再往前進，從最底層起，那么我覺得如果你真的要解一些很難的問題，你要開始去看看人家還沒有去看過的，這樣的話你才能有突破，這個方面非常緊缺。另外AI方面的人才也是很多，如果你真的能夠做到這樣的話，就必須差不多在我的團隊，如果沒有七到十年的經驗怎么去解析這個問題的話，很多時候根本做不到，這真的是全世界在這個方面的人才缺得蠻兇的。我們哥倫比亞大學其實很努力的培養(yǎng)這樣的人才，但是就是說就很不積極這樣的。所以其實是鼓勵往這個方面去做。真的是機會相當多，然后在中國做的經驗向全世界拓展，其實是一個蠻好的機會。
周伯文：謝謝，我相信山世光你在視頻方面的積累有很多的想法，你可以不僅僅談視頻，可以幫我們怎么樣評估貸后的風險，如何找到失蹤的人，你有什么好想法和建議。
山世光：我確認一下是投后的管控，特別是有一些失聯(lián)的情況，是吧？我覺得兩個方面，當然這個貸前的風控也許更重要，確實對于貸后的失聯(lián)，我覺得這個會有兩個方面，一個方面是說我們的政策以及我們國家政策和法律，以及我們的誠信體系的建立，我相信會使得這個世界失聯(lián)的人越來越少，因為失聯(lián)以后帶來的成本會很巨大。另外技術上有了越來越多的可能性把所謂失聯(lián)的人通過人肉搜索也好，什么也好，找出來，現(xiàn)在我們人類生活在這個社會上你只要上網，出現(xiàn)在公共場所，和朋友聯(lián)系等等都會留下痕跡，都會有各種各樣的線索會被留下來。
所以以具體的人臉識別為例，除了在金融領域里面有非常成功的應用之外，像人臉識別這樣的一些技術，在公共安全的領域去實現(xiàn)一個公共場所的人員搜索的技術現(xiàn)在也逐步走上成熟，離我們最終期望的每一個壞人在公共場所里面出現(xiàn)就能夠抓住的話有很遠的距離。但是隨著我們國家在各種場所安裝的攝像機的密度和他的精度的不斷提高，再加上技術的進步的話，無論是在網吧還是公共場所，甚至是說在一些只要能夠有這種攝像的環(huán)境下出現(xiàn)的時候，都有非常大的概率會被這樣的系統(tǒng)找到，當然了，我不知道金融系統(tǒng)是不是說也許假設5%的壞賬，5%的失聯(lián)人，是不是都值得報案由公安系統(tǒng)來做這件事，未必。但是確實會有很多的漏掉的，因為我們國家除了在逃人員之外，其實還有很多其它的黑名單，有很多的場合是可以去監(jiān)控的，我想我主要是從這個角度來說，你失聯(lián)的成本會特別高，所以的話，未來我相信很快會，大部分的人會意識到這樣一點，然后很快會回歸到正常的金融秩序上來。
鄭宇：我們和金融公司溝通之后我覺得他們做的很遠，后來發(fā)現(xiàn)金融公司里面，特別是京東金融這樣的公司里面，大部分數(shù)據(jù)是時空數(shù)據(jù)，也就是說用戶有消費數(shù)據(jù)的時候他們有一個位置，什么地方消費，什么時間，這種時空數(shù)據(jù)的分析和挖掘方法和傳統(tǒng)的AI有區(qū)別。剛剛兩個問題，怎么放貸前做風險評估和失聯(lián)之后怎么樣做，這是我們研究的問題，我們經常做銀行貸款的時候，會拿一個抵押，比如說房子抵押，舉一個例子王健林說萬達廣場抵押給你，貸五十個億，銀行說值不值呢，現(xiàn)在考慮當前的樓面價格和周邊價格用一個均價做估算，貸款中房屋的價值在未來一年兩年是不是有增值或者是貶值，如果泡沫很大就少貸一點，如果是增值的，可以多貸一點，這是我們的真實案例里面，我們結合周邊的地鐵、公交、人們出行數(shù)據(jù)和地鐵、公交卡、刷卡記錄等等綜合判斷整個城市里面各個小區(qū)價值的排序。我不是說我預測具體的價格，但是如果漲的話，誰漲得更多，如果跌的話誰跌得更少，我們第一步把整個北京小區(qū)的房屋價值排序，誰是一類，誰是五類，都有排序，對明年的漲幅有判斷，另外綜合體現(xiàn)像萬達廣場和soho這種非常復雜的，有寫字樓，商鋪，電影院在一塊兒的價值評估也做了一個判斷，給銀行提供基本面的參考，做貸款的時候，看看資產評估本身做多少錢，再決定放多少錢，多少年，這是第一步。下一個地方具體在什么地方，這里會有不一樣的，之前填資料的時候會有信用卡卡號或者是銀行帳號，手機號提供，但是失聯(lián)以后絕對不會再用這個賬號，用手機之后，之前拿出來，基于時空大數(shù)據(jù)的分析方法，可以判斷他家在什么地方，常去的幾個地方是什么地方，雖然換了手機號，但是生活習慣還是符合之前的規(guī)律，可以判斷對之前常去的什么地方可以找到，另外手機拿不到的話，可以通過社交網絡和微博和微信，他朋友的數(shù)據(jù)，比如說他的位置可能是空的，他會做好所有的準備把他微博里面的地址信息滅掉，但是沒有關系，根據(jù)他朋友的位置可以推斷出他的位置以及他未來可能去哪里，這是很簡單的道理，你知道你周邊的朋友在哪里，你們經常往來，位置在什么地方有相關的分布，可以在模型算法中可以得到。
其實我們做的工作和金融蠻緊密，就是大數(shù)據(jù)在時空數(shù)據(jù)領域里面如何用人工智能和大數(shù)據(jù)的方法進行精準的判斷。
蘇中：非常好，如果這個人已經失聯(lián)了，其實已經很晚了，這是公安局的事情了，金融角度來說，他可能失聯(lián)之前會有一個很好的預判，如果企業(yè)也好，個人也好，作為一個貸款人，貸后管理來講，其實他都有一個他的一個信息，比如說收入，企業(yè)的收入，上下游行業(yè)和國家政策走向，以及相關的材料和原材料的價格等等的影響。所以這可能是一個非常復雜的大數(shù)據(jù)的工程，這個角度來講的話，可能是一個不光是你判斷這個客戶的風險情況，還有一個角度是你要判斷他的抵押品的情況。還有一個角度是同樣的技術可以挖掘你的新客戶，這個行業(yè)在剛剛很好的時候可以很好去做。
所以人工智能和大數(shù)據(jù)角度去講的話判斷一個貸后風險是一個從一開始，從客戶開始，有一個溝通，貸多少錢，利率多少，到怎么管理。這里所有的數(shù)據(jù)，如果在上面應用更多，在上面有更好的風險模型，不光是企業(yè)的風險模型，也包括關鍵的人物，法人和社交，以及家族等等的關系模式，其實你可以在做到很好的情況下還沒有失聯(lián)的時候，甚至是還在的時候，你可以提供一些建議。剛剛我講的，這里不僅包括結構化的數(shù)據(jù)，也包括非結構化的數(shù)據(jù)的分析，也包括人與人之間的數(shù)據(jù)分析，可以做一個很好的分析。
顏水成：這個問題其實蠻有意思的，就是說我在金融領域做和人工智能相關的探索，應該還是一個初學者，其實也是從公司的業(yè)務，以及外邊的創(chuàng)意公司的交流或者是說從中得到一些信息。其實有意思的是當前我認為在人工智能的征信方面的應用，大家還大部分的拼數(shù)據(jù)，其實在這個算法層面的話，我覺得還不算是特別的，也有可能是說外面比一些研究機構并沒有辦法拿到太多的這個方面的數(shù)據(jù)，進行深入的探索。但是對于大部分的公司來說，數(shù)據(jù)并不全面。如果可以實時拿到用戶動態(tài)數(shù)據(jù)的話，對用戶的管理是非常有價值的，另外是做投后管理的話，比如說丟失或者是說發(fā)生了后面的什么行為，意味著你要跟很多的數(shù)據(jù)源要打交道，在中國來說的話，不同的數(shù)據(jù)源之間像一個數(shù)據(jù)的孤島，并沒有形成一個聯(lián)盟說我可以共享一些數(shù)據(jù)，比如說是P to P的，或者是說金融貸款相關的。如果我投了之后發(fā)現(xiàn)金融的公司里面借了錢，再跑到其他公司借了錢，這個方面的數(shù)據(jù)就有價值了，這個方面做得還不是非常的完善。數(shù)據(jù)的孤島一旦打通了，和多種數(shù)據(jù)源的數(shù)據(jù)打通的話，投后管理的話就有很多的事情可以做了。
對于個人方面，人工智能產品和技術使用的話，還是比較少，我們會看到一些個人，比如炒股的時候他們寫一些程序做事情，但是并沒有一種平臺或者是軟件的話去幫助個人去做這些決策，比如說我怎么樣根據(jù)自己的特點，智能的決定我應該去拿這些去做，或者是應該投資哪些方面，這個方面是缺失，也許這一塊能夠有機會做好的話，應該是一個非常不錯的市場。
周伯文：非常好，這是一個非常具體的金融行業(yè)的問題，所以大家的討論可以說是給很多的在座者提供一個人工智能這樣一個具體落地的一個建議和思考，現(xiàn)在我把問題拉回來一點，還是聚焦在金融領域，不那么具體，從我作為人工智能的研究者角度來看，我們很多方面是人工智能聚焦到具體客觀的問題，比如說語音識別和自然語意理解都是這么一個情況。但是人工智能用在金融行業(yè)有一個比較突出的問題，因為金融市場是人的活動，有很多情況下有非理性的活動，市場過熱的時候，個人投資或者是機構投資有很多非理性的行動，人工智能光從大數(shù)據(jù)的角度，每個人都在買進，所以我買進的欲望越來越強，把這種非理性還在往做的方向繼續(xù)推動，你們關于人工智能，金融方面的考慮，有沒有具體的想法和辦法去處理這種非理性的人類金融行為，可能和我們一貫講的大數(shù)據(jù)中的學習是一個根本不同的原則，這是第一點。
第二點，再回到風險控制，我們都知道強化學習在金融行業(yè)中很有用，比如說智能投顧等各方面，但是強化學習一個很重要的原則是探索和利用這樣一個平衡。在AlphaGo里面這些強化的例子里面包括了德州撲克，這些都是很具體的應用，但是金融行業(yè)里面怎么樣控制這個風險，有沒有志愿者討論一下這個問題。
林清詠：剛剛提到了挺有趣的，如何幫助解決這個人類非理性在金融市場后面的問題，其實我們公司現(xiàn)在正在開發(fā)一個蠻大的系統(tǒng)，就是說我們讓機器來做這件事，然后我們是等于每個人都有幾個大師，可以雇傭它，AI機器人幫助你去做投資。它就變成了你所說的奴隸也好或者是說，就是代替你來做這些分析。那么，慢慢的話，就變成了你在股票市場上不是你作為個人去判斷，而是說你的機器人去跟別人去拼，為什么有這樣的差距。我們發(fā)現(xiàn)一個最基本的差別是我們的個人機器人，幫助你做投資理財?shù)臋C器人，他就是24個小時一直在學習。然后它每三到五秒鐘要做一次判斷，要不要買，要不要賣，人哪有辦法做到這一點，哪有可能一天從早到晚不要睡覺盯著股票趨勢去看，去想，然后你人的那個自我學習的能力，還沒有辦法做到那一點。
所以，實際上我們開發(fā)這個系統(tǒng)的過去幾個月中的經驗來講的話，我們真的覺得說人類哪里是對手，以后比較的話也是機器人互相的比較。幾年后你談的不是人類非理性的行為，而是太多機器人彼此的理性行為去打仗的時候，你要怎么樣在里面贏。所以或許一兩年之后，這個問題的討論的重點又會不大一樣了。
周伯文：還有哪位嘉賓有思考。
鄭宇：其實每天都有很多人帶著不同的項目找我，我想三個方面，一個是幫助行業(yè)營利，這是基本的，第二個幫助國家和人民的生活，第三個推動研究的進展，我舉一個實例，有人找我能不能用你AI技術預測一下煤炭價格的漲幅，我不幫你預測，這個對你有利，對國家沒有利，無非是你的錢和別人的錢交換一下，有人讓我預測一下股票，我不做，有人通過技術來調整鍋爐的發(fā)電效率，怎么樣通過用更小的煤產生更多的電，并且降低更多的污染排放，這是電力行業(yè)的根本，既幫助了行業(yè)的營利，也幫助了國家和行業(yè)的進步，也使我們的研究往前推了一步，這是AlphaGo在其他行業(yè)里面能找到著力點的地方，我就講這么多。
蘇中：計算機把人的感性做起來，這是很難的，舉一個例子，泰國危機的時候，很多的愛國者把黃金捐出來去維持國家的貨幣等很多的情況，這樣的東西讓計算機去模擬的話，計算機很難去理解。其實市場上我們講市場經濟有一看不見的手，其實可以看到有很多的看不見的手，這些很多看不見的手去建模，對于不同的人群，有不同的利益和宗教信仰和不同的生活方式，更是很難的方式，這個角度來講的話也是一個很好的研究的話題，計算機比人理性得多，這種理性也會產生一個很大的問題，如果市場上所有的計算機交易的話，可能會發(fā)生股票突漲突高，也許就是因為人的理性或者是感性的成分扮演了市場中的一個阻力的過程，這種阻力可能像是山坡上滾下來的小雪球，也有可能變成一個很大的事情，也有可能停在某一個地方不動了，所以我想金融市場是非常有意思的市場，比德州撲克有意思的多，應該講不是一個簡單的技術或者是說一個簡單的方法可以很好解決的。
周伯文：好，我們再回到別的行業(yè)，再把視野放大一點，人工智能改變了很多的行業(yè)，除了金融還有一個最典型的例子是我們京東的零售行業(yè)。我們認為AI沒有辦法改變零售的本質，但是可以改變它的形式。大家怎么看待這句話。更具體的說，大家如何看待無論是零售店在這種零售革命中扮演一個什么樣的角色。在將來隨著AI技術的發(fā)展和進步，無論零售和新的零售的將來是什么樣子，請你們展開你們的想象力或者是說對技術理解，在這個方面發(fā)表一些意見。
蘇中：我覺得我們的技術發(fā)展到今天，很多的技術越發(fā)展，我們生活越糟糕，我們有了手機，無論如何都會半夜被人吵到，有了網絡，什么地方都可以工作，你的溝通成本看似降低了，實際上花在上面的更多了。所以我想AI的技術能不能讓我們的生活變得更好一點，也許我們的朋友圈從五百個，變成五十個，十個，我們的生活質量比現(xiàn)在更高，這可能是一個很好的發(fā)展方向。
鄭宇：我講一下無人的零售店，我有朋友做這個方面的，我覺得第一個是打通的線上線下零售業(yè)的通道，以前做很多的電商的時候，用戶在線上購買行為，很多的東西在線下賣的，我們并不知道，什么東西線下買呢，像短平快的東西，新鮮水果每天都要買，網上的圖片很漂亮，但是買回來不一樣，無人零售的店里面可以看到很新鮮的，就可以買回來，這是填補了以前的空白，對人類以前的建模和市場分析都是不完整的，只是在互聯(lián)網的線上數(shù)據(jù)做了分析，線下什么樣，這是很初級的，現(xiàn)在的無人零售店可以作為一個觸角深入里面去，可以解決一個新物種的需求，短平快物流的需求。第二個其實是可以去感知很多人們行為的變化。可以快速的感知，你對這個線上的東西是很長的流程，慢慢的過程，線下的時候是實施了攝像頭監(jiān)控，馬上知道什么時候缺，什么東西少，什么會走，什么會調貨，這比線上的環(huán)節(jié)分析快很多，所以更快捷，更敏銳，就這兩個方面。
顏水成：現(xiàn)在關注比較多的是國內的商店，國內有幾家公司在探索這個方向。我個人認為對這個方向是有比較明顯的態(tài)度。有兩個原因，一個原因是說這件事對運營方來說有價值，對客戶來說的話并沒有帶來額外的剛需體驗。第二個是一個重點，就是說我覺得從支付的維度的話其實是有很大的問題的，特別是在中國，因為你支付的方面，除非我們出現(xiàn)新的sensor在里面，你出去之后的話帶來什么樣的商品，現(xiàn)在我們搶著用計算機視覺的技術來實現(xiàn)這個目標的話，其實一定會存在著一個屏障，這個屏障是什么？比如說顧客拿了東西，因為計算機視覺是不完美，這一點我們必須要承認，我們達到99.9%可能就已經到了極限了，甚至可能達不到，這種帶來兩種情況，顧客拿來商品，我們系統(tǒng)上沒有識別，這個其實無所謂，這個數(shù)據(jù)，比如說金融系統(tǒng)的風控的一部分。我們在商店賣東西沒有人買，要壞掉，要扔掉是一樣的。但是如果這個用戶并沒有拿這個商品讓你識別成一個商品，這樣的話意味著你在賬戶的錢多拿走了，這件事的話，其實對于客戶來說，是非常不能接受的。他不像信用卡，刷了之后我可以找到你，什么原因我可以把款退回給你，這件事如果發(fā)生之后用戶會比較難以接受，難以接受的話就意味著這個東西的推行，在一段時間一會碰到潛在的屏障，為了解決這個問題需要一種可能性，我需要別的sensor并不強力依賴于零售的人類的sensor這是另外一碼事了，是不是和人工智能有關系我不知道了，這是我想表達的，無人商店往前走的話路程并不是那么平坦。
山世光：如果我們看一個歷史的發(fā)展的話，從過去的一個叫做無人售貨機這樣一個小的機器售貨發(fā)展下來到商品更加的豐富，走到更多的地方去，我個人認為是有這個方面的需求的。比如說在晚上或者是說很多的，你說物流的話，再發(fā)展也不可能半夜，凌晨的時候給你送一點東西，大部分是非常困難的。類似這樣的需求在社區(qū)里面，還是說會存在的。我覺得我個人還是蠻看好的，另外從技術的角度來講的話，確實就像剛剛講的，一定會存在著誤差，有誤識別的情況，無論是商品的識別還是對購買人的識別這兩個方面，可能都會有一定誤差。但是從我們解決這個問題的角度來講的話，如何去容忍這個誤差，以及這個誤差會帶來多少的損失。那么其實有一個我跟他們聊的時候，他們的一個觀點是說我即便每個月?lián)p失多少錢，把錢折回去，比如說我原來開一個店，要雇五個人或者是幾個人，但是他們的人力成本可能會完全的超過了你可能帶來的損失。另外一個有誤識別的情況下，我們會傾向于不要讓顧客多花錢，是吧？而是傾向于商家會寧可損失一點，但是顧客，特別是買完了以后，一看價錢不對會當時有反應的。這個上面我們形成一個完整的解決方案的話，是有可能解決這些問題的。
顏水成：其實我是贊同山世光的說法，我可能剛剛講的話稍微有一點點偏差。無人商店這件事有它的價值，比如說在美國有一些地方，你去超市購買東西，晚上去的話，拿了東西去掃一下就拿走了。并不一定要強調說我的人工智能把你拿的商品是什么東西，識別出來，然后出去之后就把賬付了。我的意思是重點在后面，人工智能的技術，當前的水平，沒有辦法去杜絕你的商品識別錯了之后的話，用戶并沒有買這個商品，但是把賬記到上面了，這樣的話對于客戶來說反而是一件非常煩擾的一件事，我要經常去看看我的，到商店里面買的東西，我的賬是不是對的，也許我們并不一定要強調說我的智能系統(tǒng)能識別出你拿了什么商品，通過掃碼或者是其他的方式去完成這種支付。
蘇中：我還是覺得去有人的商店，有更多的客人或者是和店員交流，我覺得人與人之間的交流，哪怕和機器人交流也比我自己拿完東西掃臉出去要好，方便角度來說，是滿足了某一個人方面的。我支持有人，但是這個人也可以是機器人。
周伯文：可能十個人，現(xiàn)在需要一個人也是帶來了大大的成本的降低。
鄭宇：我的觀點比較務實，未必把最新的刷臉放在上面，先刷碼，關鍵是把實體店和線上的定位區(qū)別開，能不能做到短平快，物流的算法很重要，新鮮的貨物進來，買東西和網上的速度差不多，東西不新鮮了，為什么過去買呢？定位不精準的話，這個就沒有深度，定位很精準的話，用AI來保證物流而不是識別，識別不是重點，現(xiàn)在拿刷碼，貼碼，我覺得用戶都可以用，而且很好用，沒問題。
周伯文：大家的觀點有不同的地方，我想有更多的是相同的地方，AI對零售的改變現(xiàn)在正在發(fā)生，將來有很多的空間可以去做，不光是線上，也有線下，線下對門店的改造，用各種各樣的去改造，線上線下結合，這是一個非常有發(fā)展空間的領域，也是我們大力探索的方向。
時間關系我不再繼續(xù)了，我們把討論上升到新的高度上，在座有政府人員參加我們這個活動，在座各位中也有中美兩地的科學家，也有長期生活在美國的，我也是剛剛從美國回來一個月。我想問大家的是站在AI的戰(zhàn)略高度角度來看的話，中美兩國是領跑者，無論是戰(zhàn)略的投資還是技術的發(fā)展，但是中美兩國還有很大的不同。我想問問大家，你們怎么看待中美兩國目前的AI現(xiàn)狀戰(zhàn)略的不同點。相互彼此學習什么東西。還有你大概預期這個目前這一撥，我們中國這撥人工智能大概，因為我們不同的戰(zhàn)略，不同的發(fā)展方向，五年以后中美兩國的AI現(xiàn)狀會有什么樣的不同。從這里開始討論一下。
山世光：我覺得現(xiàn)在我們中國在AI的應用方面，根據(jù)我的觀察，我覺得是走在前列的，特別是我們各大企業(yè)，包括我們的國家在政策，在資金的支持和投資界，確實是從人力物力財力各方面做了大量的投入。有投入就一定會有產出。我們有這么大的市場，這顯然是我們確實走在了應用的前列。但是，其實我在看到這個，你說到這個題目的時候，我確實有一點擔心，這個擔心體現(xiàn)在我們中美差異上，在AI的基礎研究的層面上，我覺得國內其實相對來說要偏弱了一點，這種偏弱又可能因為我們剛才說的，從國家的，從企業(yè)到投資界各個方面的力量，社會力量大量投入到應用上去，有一定的關系，無論從人才的培養(yǎng)角度，其實我們也關注到了研究生的心態(tài)，其實是有變化的。因為找工作太好找了，工資太高了，所以特別優(yōu)秀的頂級聰明的研究生就選擇了在本科畢業(yè)就出去了，或者是說碩士畢業(yè)就出去了，而沒有去繼續(xù)投入到AI的基礎研究領域。事實上，像今天早上，無論是高老師還是楊老師都介紹了AI這個領域，我們只是萬里長征的才走幾步，大量的問題沒有解決，這個階段如果我們有一點釜底抽薪的味道，把前面的基礎研究過早砍斷的話，對后面的長期發(fā)展未必有利。所以我自己本人在科研機構和工業(yè)化，有時候會反思這樣一個情況。期望我們工業(yè)界還是要有一點克制，把我們的一部分的優(yōu)秀人才，還是應該鼓勵他們留在基礎研究這樣一個行業(yè)里面。使得我們不會后繼乏力，等到后面又冒出一個，不是深度學習，而是其他的方法論，來解決更多的問題的時候，我們又沒有跟上，這是值得我們反思和注意的地方。
鄭宇：因為我們這么多年來一直和政府合作，互相大數(shù)據(jù)和智慧學會和環(huán)保部，我自己在學校里面兼職做教授，現(xiàn)在的學生越來越貴，一個月開八千塊錢，做的好的學生是上萬的工資，這么多年感受下來，到底怎么做？政府、傳統(tǒng)行業(yè)的公司和IT公司和學校如何分擔自己的責任，做到四位一體？政府就是出政策，鼓勵開放數(shù)據(jù)和合作，政府提不出問題，大家不要怪政府，政府不是行業(yè)專家，更不是數(shù)據(jù)科學專家，政府提一個問題，提需求，不現(xiàn)實，需求是傳統(tǒng)行業(yè)公司，傳統(tǒng)的交通公司和金融公司，傳統(tǒng)的電力公司提出需求。他們提供專業(yè)的知識和技能，我們IT互聯(lián)網公司提供大數(shù)據(jù)，平臺，基礎設施保障，然后學校跟企業(yè)聯(lián)合培養(yǎng)人才，就剛剛山世光說的這一點，你學校單純靠自己的實力留學生是留不住的，而且學校里面不具備這種條件，沒有大數(shù)據(jù)的平臺和數(shù)據(jù)培養(yǎng)不起來，幾個案例培養(yǎng)學生也沒有什么用，最后是企業(yè)和學校聯(lián)合培訓，最后就是這種方法，我們自己成立企業(yè)，成立公司，各個部門不要越權干自己不該干的事情，雖然我們已經有高校了，政府搞研究的話本身不是最優(yōu)的，政府出政策，傳統(tǒng)行業(yè)提需求，提問題，學校和企業(yè)聯(lián)合培養(yǎng)人才才有希望。
顏水成：這件事我也比較樂觀的，比較積極的看法，美國在理論層面比中國強，這是不爭的事實，中國慢慢在應用層面已經趕上或者是超過美國的話也是一個事實，就是說有一個很好的事情，其實說AI的理論的話，是不是研究透了，它可以對這個產業(yè)產生價值這件事是一個不爭的事實，我們并不需要把理論研究得那么透的話，也會對社會的方方面面產生積極的影響。
另外一個方面，其實人工智能做法的話，我覺得非常像醫(yī)藥，美國的話更像是西醫(yī)，中國更像是中醫(yī)。并不需要去了解說我里面的所有的理論，以及真實的成分是什么東西，我通過試驗，通過驗證，它有效果，而且是有價值的。那么美國的可能會更多的希望像西醫(yī)一樣去做這個人工智能，把它內在的機理研究得更加的透徹，這樣的話希望它的長遠價值會更多。
我們看到的事實是幾千年歷史里面西醫(yī)和中醫(yī)的價值，都是非常重要的，所以說從這個層面的話我們覺得說也不要太多的擔心中國人工智能的理論的話，可能人力資源的積累并不是特別多。但是它可以給中國的經濟帶來積極的價值，這件事一定是在那的。另外是我們也看到了有更多的在這個理論層面做得比較好的教授，從國外歸來，在中國的不同的學校里面或者是研究所里面最研究。
周伯文：我們最后一點時間談談情懷。問你們一個比較個人的問題，你們在座的都是AI科學家，在學校里面還有兼職或者是從教的經歷，同時又在企業(yè)里面或者是說學校里面有兼職，做一些AI的商業(yè)應用，從你們的個人角度來看，怎么看待AI科學家和AI企業(yè)責任這兩種之間的平衡和沖突，比如說你更關心的是算法的進步還是某一個具體的算法的落地的商業(yè)價值，有沖突的時候，你們是怎么樣思考的。
林清詠：我在學校也很久了，十幾年，在企業(yè)界二十年了，基本上來說這都非常重要，基本研究很重要，應用很重要，我的策略就是說想辦法把我的團隊養(yǎng)大，一部分人專門負責基礎往前提升，另外一部分人專門負責解決當前還沒有解決的問題。比如說現(xiàn)在我們的基礎團隊利用金融市場和做金融行業(yè)來把AI的能力往前進，把人和AI往前推進，利用這樣的AI系統(tǒng)，也幫助我們最近和美國排名第一的做癌癥的研究中心，把我們的系統(tǒng)帶進去，他們就請我們去幫助他們解決，如何分析過去二十年來幾百萬的病例。那就是說讓這樣的AI系統(tǒng)同時可以替人類解決癌癥可能帶來的一線曙光，或者是說我們最近學生在開展用這個做老年癡呆癥的研究等等。所以是有可能找到解決方案的。
山世光：我簡單說一下，我覺得還是比較好平衡的，對我們來說做的，至少在AI這個領域做的大部分，無論是技術還是產品的話，更重要的是它可以推動這個社會的進步的，關鍵看誰在用了，從我們做技術的角度來講的話，我覺得一句話非常重要，就是說價值會決定價格。無論是說你去做產品，還是說你去做一個從科學，研究的角度來講的話，都是要有存在的價值，或者是滿足科學進步的需求，或者是說滿足用戶的需求，都值得我們去做的。
鄭宇：我說一下未來的目標吧，之所以沒有出來創(chuàng)業(yè)，很多同學說，老師你怎么不出去創(chuàng)業(yè)，外面環(huán)境那么好，有很多人工資給你加一個0你來不來，給你1%的股份，你來不來，我對創(chuàng)意的定義并不一定是自己開公司，你能夠開創(chuàng)一個事業(yè)自己樂在其中并且?guī)椭袠I(yè)和國家往前推進這就是一份事業(yè)，并且持續(xù)做下去，未來的目標我覺得有兩個方面，一個是希望把城市計算的領域在全球做大并且中國在里面領先世界，第二個是和同學同行老師們一起把這個技術做到世界之巔，和這個吻合就去做，不吻合就不做。
蘇中：做了幾十年的技術，心理是希望多做底層的技術，把技術做專做穿，但是真正說，因為現(xiàn)在我在IBM的研究院，希望技術應用在實際的場合中，所以另外一個方面的力量拉動我去做技術產生價值，這兩者之間有的時候是矛盾的，有的時候是契合的。所以在這個矛盾和契合中是一個螺旋上升的過程，所以也很幸運，AI有一個很好的年代，所以我想我們做技術的人有一個很好的機會。
顏水成：我覺得學校出來的教授的話，會有一個毛病，產品里面技術是一個很重要的，另外通過自己的幾年實踐和我的導師在工程原理寫了一本書里面提到了，這件事一定要刻苦，其實你的技術在一個產品里面成功的話，最多能占30%-40%。最好的辦法是把你的技術嫁接在一個好的產品上，要相信除了你之外還有其他的維度，這個產品的成功也是非常關鍵的，就是說不要把自己在這個產品里面做得太重，大家一起作，一起共贏就可以了。
周伯文：非常好，再次感謝各位嘉賓的分享。我把時間交給主持人。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
